英
- Meta与中国傅利叶合作打造人形机器人Meta与中国傅利叶合作打造了一台人形机器人原型机Max，据报道耗时约三个月。该机器人身高约1.5米、重约48公斤，运行于英伟达Jetson Thor平台。据报道，Max 2正在研发中。Meta表示该机器人用于内部研究，没有销售计划。
- NVIDIA 发布 MotionBricks：在 RTX 5090 上以 15000 帧/秒生成角色动作，延迟仅 2msNVIDIA 发布动作生成模型 MotionBricks，在 RTX 5090 上以 15000 帧/秒运行，延迟 2ms。模型基于 35 万+ 动作片段训练，开发者无需重新训练即可为游戏角色和人形机器人构建新交互。
- 面向内部物流的物理AI：在工业移动机器人上对NVIDIA Sim-to-Real生态进行基准测试，用于Cosmos增强的COMPASS导航研究团队在Idealworks的iw.hub差速驱动机器人与全向人形移动平台（HMP）上，测试NVIDIA X-Mobility与COMPASS学习型导航工作流的sim-to-real可靠性，并构建Idealworks研发中心数字孪生。在数字孪生中微调X-Mobility并加入NVIDIA Cosmos生成的sim-to-real增强数据后，策略部署于iw.hub板载Jetson AGX Xavier，在真实研发中心四个场景的成功率由65.3%升至91.7%，加权行驶时间较仅仿真训练近乎减半，与现有生产导航栈差距8.3个百分点，且全程板载运行；配合全局规划器可在每次试验中到达远处被遮挡目标。
- FLORA：用于扩展机器人数据引擎的开放模型套件英伟达团队发布工业级机器人数据引擎 Flora，用于训练 GR00T 模型，同时提供结果奖励标签、过程奖励标签和带时间戳的说明文字三类数据标注能力。Flora 在说明文字基准 WGO-Bench 及奖励基准 RoboReward、Robometer 上取得 SOTA，内部基准与 GPT-6 Astra 相当，成本约为后者的 1/125。该引擎已在 512 块 GB300 上每天标注 20 万小时数据，并已开源，供研究者扩展自定义机器人数据集。
- Mimic Robotics 在 NVIDIA GTC 上的演示Mimic Robotics 在 NVIDIA GTC 上演示了 FLUX-mimic，该视频-动作模型（VAM）由 Black Forest Labs 联合开发，于 7 月 23 日发布，面向精细操作与复杂工业任务。
- Humanoid 扩大与 NVIDIA 合作，为下一代人形机器人提供算力支持人形机器人公司 Humanoid 扩大与 NVIDIA 的合作，双方共同开发面向 Humanoid 机器人的高性能机器人边缘运行时。Humanoid 将集成 NVIDIA Jetson Thor、Isaac OS、Holoscan Sensor Bridge 与 Holoscan SDK。Humanoid 创始人兼 CEO ArtSokolov 称，通用人形机器人需要将感知、AI 与控制实时融合的算力架构，NVIDIA 平台为此提供基础。
- 黄仁勋在NVIDIA GTC柏林主题演讲中携四台Microduck机器人登台
- Kamino：基于GPU的含运动学闭环刚体多体物理仿真Kamino 是一个基于 GPU 的物理求解器，用 Python 基于 NVIDIA Warp 实现并集成进 Newton 框架，面向异构、强耦合机械系统的大规模并行仿真。它原生支持运动学闭环，无需把系统拓扑近似为运动学树再加闭环约束或 mimic 关节；核心是基于 ADMM 的约束优化算法，将约束刚体多体正向动力学转写为非线性互补问题求解约束力，从而在不简化或凸化接触模型的情况下解析接触动力学。作者在含六个嵌套运动学闭环的双足机器人上训练强化学习策略，单块 GPU 并行仿真 4,096 个环境，得到可行行走策略。
- Joints, Camera, Action! 为任意骨架协同生成3D运动与视频英伟达PAR实验室提出JCA模型，为任意骨架同时生成视频与可回放的3D运动，并生成将运动配准到场景的相机。方法上把3D运动放在支持任意骨架的独立模型中，通过少量交叉注意力层连接预训练视频模型，使运动模型可先用纯运动数据学习；模型还学习在视频帧中定位关节以恢复相机。训练数据由生成式视频编辑器把动画3D资产放入匹配场景构建，结合人类与机器人视频共近20万训练对。评估称其从文本驱动多样骨架的保真度优于视频优先流水线，并支持视频与骨架运动互转及关键帧控制。
- NVIDIA Kumo Relational 在关系型数据上超越监督式机器学习，无需训练NVIDIA 发布预训练关系型基础模型 Kumo Relational，可直接在企业数据库上做预测：给定预测查询后，模型收集最多 1 万条历史样本作为上下文，单次前向传播输出流失、需求或欺诈等结果，无需任务特定训练、特征工程或表展平。在 15 个数据库的 41 项任务上，它超过监督式关系深度学习模型和专家特征工程的梯度提升树流水线；在 SAP SALT 基准上，其平均倒数排名（MRR）比 AutoGluon 集成高 8%。模型可扩展至 5000 亿行以上数据库，通过 NVIDIA 开源 GPU 原生结构化数据模型库或 NVIDIA NIM 提供。